BARFI-Q: Quantum-Enhanced Block Attention Residual Fusion Framework for Multivariate Time-Series Forecasting in Atom Interferometry

ملخص تقني: إطار عمل BARFI-Q للتنبؤ بتداخل الذرات

1. صياغة المشكلة

يولد تداخل الذرات تدفقات زمنية متعددة المتغيرات وغير متجانسة مدفوعة بتطور الطور، وديناميكيات الحواف، ومتغيرات التحكم، وقياسات الاستشعار المساعدة. يعد التنبؤ الدقيق بهذه الإشارات أمراً بالغ الأهمية للمراقبة التنبؤية، وتصحيح الطور، والاستشعار الكمي الذكي. ومع ذلك، تواجه مناهج التنبؤ الحالية ثلاثة تحديات رئيسية في هذا المجال:

1. التفاعلات المعقدة: الإشارات غير خطية، وذات بنية زمنية، ومتعددة المقاييس، وتخضع لتفاعلات مقترنة بين متغيرات غير متجانسة.
2. قصور البواقي القياسية: تعتمد معظم نماذج التنبؤ العميقة (مثل المحولات/Transformers) على مسارات بقايا جمعية ثابتة. يمكن أن يؤدي هذا التراكم الموحد إلى تخفيف الإشارة (خلط التمثيلات المبكرة المعلوماتية مع حالات وسيطة أقل فائدة)، ونمو غير منضبط في مقدار الحالة الخفية، والتدريجي لفقدان الإشارات المفيدة من الطبقات المبكرة.
3. القيود الكلاسيكية للسمات الكامنة: قد لا تستفيد مسارات السمات الكامنة الكلاسيكية البحتة بشكل كامل من التحويلات غير الخطية الغنية المفيدة لبيانات الاستشعار العلمي ذات الديناميكيات المهيكلة والمقترنة.

تصيغ الورقة المهمة كمسألة تنبؤ بسلاسل زمنية متعددة المتغيرات حيث يكون الهدف هو باقي الطور الملفوف ($\delta\phi$). وللتعامل مع الطبيعة الدورية للطور، يتم تمثيل الهدف في فضاء دائري باستخدام مكونات الجيب وجيب التمام ($\cos(\delta\phi), \sin(\delta\phi)$) بدلاً من القيم الزاوية الخام، وذلك لتجنب الانقطاعات عند حدود $\pm\pi$.

2. المنهجية: إطار عمل BARFI-Q

يقترح المؤلفون BARFI-Q (دمج بقايا انتباه الكتل المعزز كمياً)، وهو إطار عمل هجين للتنبؤ بدمج المعلومات الكمية والكلاسيكية. تتكون البنية من أربع مراحل رئيسية:

أ. تمثيل المدخلات القائم على الرقع (Patch-Based)
يتم تقسيم السلاسل متعددة المتغيرات التاريخية إلى رقع زمنية ثابتة الطول. يتم إسقاط هذه الرقع في فضاء كامن لتحسين التجريد الزمني والكفاءة الحسابية، اتباعاً لاستراتيجيات مستخدمة في نماذج مثل PatchTST.

ب. محول BAR ثنائي المسار
لالتقاط الديناميكيات غير المتجانسة، يستخدم النموذج مسارين متوازيين من المحولات (Transformers):

• المسار 1: يركز على التقلبات الزمنية قصيرة المدى وتغيرات الطور المحلية.
• المسار 2: يلتقط التبعيات طويلة المدى والتطور السياقي عبر النوافذ المختلفة.
  يستخدم كلا المسارين آلية بقايا انتباه الكتل (BAR) مبتكرة. بخلاف المحولات القياسية التي تستخدم اختصار بقايا خطوة واحدة ثابت، يقوم BAR باسترجاع وإعادة استخدام الملخصات المعلوماتية من جميع الكتل السابقة بشكل تكيفي.
• الآلية: بالنسبة لكتلة حالية $\ell$، يحسب النموذج درجات التوافق ($s_{\ell,j}$) بين الحالة الحالية وتمثيلات الملخص لجميع الكتل السابقة $j < \ell$.
• التجميع: يتم حساب مجموع مرجح لهذه الملخصات السابقة باستخدام أوزان انتباه معيرة بـ softmax ($\alpha_{\ell,j}$) وإضافتها إلى التمثيل الحالي.
• الخصائص النظرية: يثبت المؤلفون أن هذا التجميع هو عملية محدبة ومحدودة، مما يخفف من خطر تخفيف الإشارة والنمو غير المنضبط في المقدار، مع تعميم انتشار البقايا القياسي كحالة حدية.

ج. كتلة الدمج الهرمي
يتم دمج مخرجات المسارين عبر عملية صقل تدريجية:

1. الربط (Concatenation): يتم ربط مخرجات المسارات وإسقاطها في فضاء كامن موحد.
2. انتباه القنوات متعدد المقاييس: يستخدم مرشحات تلافيفية متوازية (3x3، 5x5، 7x7) لالتقاط الأنماط الزمنية من الدقيقة إلى الواسعة، يليه انتباه على مستوى القناة لإعادة معايرة القنوات المعلوماتية.
3. انتباه مكاني متعدد المقاييس: يطبق تصفية متعددة المقاييس مماثلة للبعد الزمني للتركيز على الخطوات الزمنية المهمة والهياكل المحلية.
   تضمن هذه الكتلة دمج الميزات المتكاملة من المسارات المختلفة بفعالية قبل مرحلة التعزيز النهائية.

د. رسم خرائط السمات الكمية (QFM)
بعد الدمج، يتم إثراء التمثيل الكامن بواسطة وحدة رسم خرائط السمات الكمية.

• الدور: يعمل QFM كمزيج سمات داخلي ضمن مسار كلاسيكي، وليس كنماذج تنبؤ كمي مستقل.
• العملية: يتم إسقاط السمات المدمجة في فضاء كامن متوافق كمياً، وتشفيرها في حالات كمية معلمية عبر بوابات الدوران (مثل $R_Y$)، وتشابكها (عبر بوابات CNOT في هيكل حلقي)، وقياسها (توقعات Pauli-$Z$).
• المخرج: يتم تجميع نتائج القياس وإضافتها مرة أخرى إلى التمثيل الكامن عبر اتصال بقايا، مما يوفر تحويلاً غير خطي أغنى للسمات المدمجة.

هـ. رأس التنبؤ
يتم تمرير التمثيل المعزز بواسطة QFM إلى رأس خفيف الوزن يتنبأ بالطور المستقبلي في الفضاء الدائري (مكونات الجيب وجيب التمام)، والتي يتم إعادة بنائها بعد ذلك إلى زاوية الطور الملفوفة.

3. المساهمات الرئيسية

تدعي الورقة المساهمات التالية:

• بنية BARFI-Q: إطار عمل مبتكر يدمج التضمين القائم على الرقع، والنمذجة الزمنية ثنائية المسار، والدمج الهرمي، وتجميع بقايا انتباه الكتل التكيفي، ورسم خرائط السمات الكمية.
• صياغة قائمة على الدمج: تأطير التنبؤ بتداخل الذرات كمسألة دمج عبر تدفقات غير متجانسة (الملاحظات التاريخية، متغيرات الطور، والمتغيرات المساعدة).
• توجيه البقايا التكيفي: تقديم تجميع بقايا انتباه الكتل (BAR)، الذي يستبدل البقايا الجمعية الثابتة بتجميع معلوماتي عبر العمق بشكل تكيفي، مما يعالج تخفيف الإشارة ونمو المقدار.
• التعزيز الكمي الهجين: دمج وحدة رسم خرائط السمات الكمية (QFM) لتعزيز التمثيلات الكامنة لديناميكيات التداخل المعقدة دون التضحية بقابلية التوسع للتعلم العميق الكلاسيكي.
• إطار عمل متكامل (End-to-End): توحيد النمذجة الزمنية، والدمج الهرمي، وتوجيه البقايا التكيفي، والتحويل المعزز كمياً في بنية واحدة.

4. النتائج التجريبية

تم تقييم الإطار على بيانات تداخل الذرات التي تتضمن اتجاهات وتسارعات ودورات عشوائية.

• الأداء مقابل النماذج المرجعية: تفوق BARFI-Q باستمرار على النماذج المرجعية القوية (بما في ذلك TSLANet، وiTransformer، وPatchTST، وTimesNet، وNanoMST، وInformer، وAutoformer، وVanilla Transformers) عبر عدة تجارب وأحجام نوافذ مدخلات مختلفة ($L \in \{8, 16, 32, 64, 128\}$).
  • في المقارنات المباشرة، حقق BARFI-Q أدنى متوسط لخطأ الجذر التربيعي المتوسط (MSE) وهو (1.5949) ومتوسط الخطأ المطلق (MAE) وهو (1.0181).
  • في دراسات استبدال العمود الفقري، أدى استبدال العمود الفقري لـ BAR بنماذج محولات أخرى إلى تدهور منهجي في الأداء، مما يؤكد مساهمة آلية BAR نفسها.
• المتانة: حافظ النموذج على أداء متفوق عبر أحجام النوافذ المتغيرة، مما يشير إلى الاستقرار في السياقات الزمنية القصيرة والطويلة على حد سواء.
• دراسات الاستئصال (Ablation Studies):
  • الدمج: أدى إزالة انتباه القنوات (CA) أو الانتباه المكاني (SA) إلى تدهور الأداء، حيث حقق تكوين CA+SA الكامل أفضل النتائج.
  • التكوين الكمي: أظهر الاستئصال على بنية الكيوبت واستراتيجيات التشفير أن تصميم الـ 4-كيوبت مع تشفير الزاوية وفر أعلى جودة تمييزية للتمثيل (AUC) وأفضل دقة تنبؤ.
• التحليل النوعي: أظهرت تصورات إعادة بناء الحواف أن BARFI-Q تتبع الاتجاهات التذبذبية للحقيقة الأرضية، ومحاذاة الطور، والحفاظ على السعة بدقة أكبر من الطرق المنافسة.

5. الأهمية والادعاءات

تضع الورقة BARFI-Q كبنية متخصصة للاستشعار العلمي بدلاً من كونها نموذج تنبؤ عام. تكمن أهميتها في:

• معالجة قيود البقايا: من خلال استبدال البقايا الجمعية الموحدة بتجميع تكيفي على مستوى الكتل، يخفف النموذج من تخفيف الإشارة ويحافظ على المعلومات المفيدة من الطبقات المبكرة، وهو أمر بالغ الأهمية للتنبؤ بتداخل الذرات متعدد المقاييس.
• التصميم الهجين: يوضح تطبيقاً عملياً للتعلم الآلي الكمي حيث تعمل الوحدات الكمية كمراحل تعزيز كامنة ضمن إطار كلاسي قابل للتوسع، مما يوفر تحويلات غير خطية أغنى للديناميكيات الفيزيائية المقترنة.
• الدمج التنبئي: يوفر نهجاً مبدئياً لدمج تدفقات الاستشعار غير المتجانسة (الطور، الحواف، متغيرات التحكم) للمراقبة التنبؤية والاستقرار في مسارات الاستشعار الكمي.

يخلص المؤلفون إلى أن الجمع بين التعلم الزمني متعدد المقاييس، والدمج الهرمي، وتوجيه البقايا التكيفي، والتحويل الكامن المعزز كمياً يوفر إطار عمل فعال للتنبؤ بالسلاسل الزمنية لتداخل الذرات، مع التخطيط لأعمال مستقبلية لمجموعات بيانات أوسع وتعويض تنبئي في الوقت الفعلي.